OpenAI, alışveriş, bütçe takibi ve kreş seçimi gibi rutin işlerde yapay zeka modellerinin etkinliğini ölçen yenilikçi bir değerlendirme protokolünü ve elde edilen sonuçları kamuoyuyla paylaştı.
Yapay zeka teknolojilerinin içerik üretiminden kişisel asistanlık rolüne evrilme süreci hız kazanırken, OpenAI gündelik yaşamı kolaylaştırmaya yönelik yeni bir performans değerlendirmesini tanıttı. Şirket, yapay zekânın insana özgü karmaşık rutinleri ne denli başarıyla yerine getirdiğine dair araştırma verilerini açıkladı.
Paylaşılan istatistiklere göre, eylül ayında kullanıma açılan GPT-6 Astra modeli; taşınma sonrası uygun kreş tespiti, sel felaketine hazırlıkta gönüllü koordinasyonu ve diyabetli ebeveynlere özel beslenme programı hazırlama gibi senaryolarda sırasıyla yüzde 93,1, yüzde 98 ve yüzde 90,4 başarı oranı yakaladı.
Modelin gündelik işlerdeki ortalama performans skoru yüzde 80 olarak kaydedilirken, bir önceki nesil olan GPT-5.2'nin aynı testlerde yüzde 49,3 düzeyinde kaldığı vurgulandı. OpenAI araştırmacısı Jenny Yang, kullanıcı deneyimini derinlemesine kavramak ve eksik kalan yönleri belirlemek için bu ölçüm mekanizmasını geliştirdiklerini ifade etti.
İş dünyası odaklı önceki testlerin devamı niteliğindeki bu yeni yapı, dört bin kullanıcı ile gerçekleştirilen anketler ve yaklaşık yüz kişilik uzman kadronun katkılarıyla tasarlandı. Bu süreçte kreş bulmaktan konut aramaya uzanan geniş bir yelpazede test senaryoları ve başarı metrikleri oluşturuldu.
Yeni sistem; yapay zekânın web gezintisi, önceki etkileşimlerden bağlamsal bilgi çıkarma ve kullanıcı beklentilerine uygun çıktı üretme yetkinliklerini puanlıyor. Meta'nın Muse, Anthropic'in Claude Duet ve Google'ın ajan tabanlı çözümleriyle rekabetin kızıştiği ortamda OpenAI, ChatGPT'yi yalnızca metin üreten bir araçtan, kullanıcı adına eylem gerçekleştiren bir dijital asistana dönüştürme vizyonunu benimsiyor.
Geliştirilen bu sistemlerin veri gizliliği ve güvenlik boyutunda tartışma yaratması beklenirken, uzmanlar yapay zekanın rutin yükümlülükleri devralarak insanlara zaman kazandırmayı hedeflediğine dikkat çekiyor.
